查看保存机器学习模型的超参数

查看机器学习模型的超参数通常是在训练过程完成后对模型配置文件进行的操作。超参数是你在开始训练之前设置的参数，它们不是由算法本身学习的，而是人工设定来控制模型复杂度、学习速度等关键特性。常见的超参数包括学习率、批量大小、隐藏层节点数、正则化系数等。

为了查看这些信息，你需要：

1. **Python示例** (如果你使用的是scikit-learn库)：你可以使用`get_params()`方法从`sklearn.model_selection.GridSearchCV`对象或直接从模型实例（如`RandomForestClassifier`）获取。例如：

   from sklearn.ensemble import RandomForestClassifier
   model = RandomForestClassifier()
   hyperparams = model.get_params()

2. **TensorFlow示例** (对于Keras或TensorFlow Estimator)：可以使用`model.get_config()`或`model.summary()`获取信息，或者检查`tf.keras.optimizers.Adam`这样的优化器的`learning_rate`属性。

3. **PyTorch示例** (在PyTorch中)：可以通过`.state_dict()`方法查看模型的状态字典，其中包含许多超参数，也可以直接查看`nn.Module`的`__init__`参数。

如果你已经保存了整个模型，并想查看保存时的超参数，可能需要查看保存文件（如.h5、pickle或torch.save的文件），里面可能会包含超参数。不过这取决于你如何保存模型（如`save_weights` vs `save_model`）以及使用的库的具体保存机制。